GCC: Generative Color Constancy via Diffusing a Color Checker

要約

色の恒常性の方法は、さまざまなスペクトル感度のために、さまざまなカメラセンサー全体で一般化するのに苦労しています。
GCCを提示します。GCCは、拡散モデルを塗装台のチェッカーにレバレッジして、照明推定のために画像にレバリットします。
私たちの主要な革新には、（1）シーンの照明を反映した塗装色のカラーチェッカーを塗装する単一ステップの決定論的推論アプローチ、（2）チェッカー構造を維持しながら照明依存の色の適応を維持するラプラシアン分解技術、および（3）不正な色のチェッカー年金の取り扱いのためのマスクベースのデータ拡大戦略。
事前に訓練された拡散モデルから豊かな事前に活用することにより、GCCは挑戦的なクロスカメラシナリオにおいて強い堅牢性を示しています。
これらの結果は、センサー固有のトレーニングを必要とせずに、さまざまなカメラの特性にわたる方法の効果的な一般化能力を強調し、実際のアプリケーションに汎用性が高く実用的なソリューションになります。

要約(オリジナル)

Color constancy methods often struggle to generalize across different camera sensors due to varying spectral sensitivities. We present GCC, which leverages diffusion models to inpaint color checkers into images for illumination estimation. Our key innovations include (1) a single-step deterministic inference approach that inpaints color checkers reflecting scene illumination, (2) a Laplacian decomposition technique that preserves checker structure while allowing illumination-dependent color adaptation, and (3) a mask-based data augmentation strategy for handling imprecise color checker annotations. By harnessing rich priors from pre-trained diffusion models, GCC demonstrates strong robustness in challenging cross-camera scenarios. These results highlight our method’s effective generalization capability across different camera characteristics without requiring sensor-specific training, making it a versatile and practical solution for real-world applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google